多层次信息聚合的异质网络节点分类方法OA

针对异质网络中语义与结构信息捕捉不充分导致异质网络节点分类性能不佳的问题,提出一种基于异质信息聚合图卷积网络模型的异质网络节点分类方法.该模型的元路径聚合分支采用分层聚合策略,基于图卷积网络与跳数级注意力机制生成单跳表示,以增强任务相关的跳数信息并抑制噪声,利用一维卷积高效地捕捉序列化元路径信息的局部语义模式,并通过元路径级注意力机制增强任务相关的元路径信息.同时,引入邻域结构聚合分支整合异质网络的局部拓扑信息.通过两个分支协同聚合多层次语义信息和多层次网络结构信息,以提高异质网络表示学习的性能,进而改善异质网络的节点分类性能.在ACM、DBLP和IMDB数据集上的实验结果表明,所提方法能有效改善异质网络的节点分类性能,并且通过消融实验验证了各模块的有效性,为异质网络表示学习提供了一种新的解决方案.